目前的研究发现,表现良好的深度学习模型可以受到微小但精心设计的对抗性噪声扰动的攻击。在原始图像中添加精心设计的微小噪声扰动后的图像被称为对抗样本。不同的对抗样本生成方法可以用于评判现有模型架构的鲁棒性以及防御方法的防御性,从而发现现有模型架构的漏洞和缺陷,同时可以用于训练更加鲁棒性的深度学习模型。本文的研究场景是图像描述生成任务的无目标对抗样本攻击。现有的针对图像描述生成任务的对抗攻击方法相对较少,图像描述生成模型的健壮性有待探索。而之前的研究方法存在生成对抗样本耗时高以及攻击迁移能力不足的问题。为了更快地生成更好的针对图像描述生成任务的对抗样本,本文提出了使用基于卷积自编码器的噪声扰动生成网络去学习更具有攻击泛化性的对抗性噪声扰动。为了更好地训练提出的噪声扰动生成网络,本文结合图像描述生成任务的主流模型架构的特点,提出了三个损失函数项进行优化训练。它们分别是图像特征扰动损失,语言特征扰动损失,以及跨域局部全局扰动损失。在计算跨域局部全局扰动损失时,本文提出了两个语义映射子网络架构用于将图像和图像描述映射到高维公共语义空间。更具体地说,图像特征扰动损失是设计用于扰动图像的视觉编码特征。语言特征扰动损失是设计扰动原始图像的图像描述和对抗样本的图像描述之间的特征语义距离。跨域局部和全局扰动损失是将对抗样本图像和真实的图像描述通过额外训练的子网络映射到一个公共的语义空间,在这个公共的语义空间中,该损失进行局部和全局的跨域特征距离扰动。本文提出的损失函数项从图像层面,语言层面,以及图像-语言联合层面指导噪声扰动生成网络进行优化训练,从而产生具有攻击泛化性和鲁棒性的对抗样本。本文的实验结果表明本文的对抗样本生成方法不仅在白盒,半白盒,黑盒场景下能成功攻击未知架构和不同数据集训练的网络模型,而且能成功攻击商用的图像描述生成接口。同时本文探索了不同条件下本文方法的攻击性能。大量的实验结果证明了本文算法的有效性和本文对抗样本的高可迁移攻击能力。